論文の概要: MedMamba: Recasting Mamba for Medical Time Series Classification
- arxiv url: http://arxiv.org/abs/2605.05214v1
- Date: Fri, 17 Apr 2026 01:20:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.599016
- Title: MedMamba: Recasting Mamba for Medical Time Series Classification
- Title（参考訳）: MedMamba:医療時系列分類のためのMambaのリキャスト
- Authors: ZhengXiao He, Huayu Li, Xiwen Chen, Janet M Roveda, Jinghao Wen, Siyuan Tian, Ao Li,
- Abstract要約: 心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。
本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。
我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
- 参考スコア（独自算出の注目度）: 6.852021597208217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical time series, such as electrocardiograms (ECG) and electroencephalograms (EEG), exhibit complex temporal dynamics and structured cross-channel dependencies, posing fundamental challenges for automated analysis. Conventional convolutional and recurrent models struggle to capture long-range dependencies, while Transformer-based approaches incur quadratic complexity and often introduce redundant interactions that are misaligned with the intrinsic structure of physiological signals. To address these limitations, we propose MedMamba, a principle-driven multi-scale bidirectional state space architecture tailored for medical time series classification. Our design is guided by three key inductive biases of physiological signals: spatial centralization, multi-timescale temporal composition, and non-causal contextual dependency. These principles are instantiated through a lightweight channel-mixing module for cross-channel reparameterization, multi-scale convolutional tokenization for temporal decomposition, and bidirectional Mamba blocks for efficient global context modeling with linear complexity. Extensive experiments on six benchmark datasets spanning EEG, ECG, and human activity signals demonstrate that MedMamba consistently outperforms state-of-the-art methods across diverse modalities. Notably, it achieves 85.97% accuracy on PTB and establishes new state-of-the-art performance on the challenging ADFTD dataset (54.72% accuracy and 52.01% F1-score). Strong results on long-sequence benchmarks, such as SleepEDF, further validate its capability in modeling long-range dependencies. Moreover, MedMamba achieves a speedup of 4.6x in inference, highlighting its practicality for real-time clinical deployment. These results suggest that principle-guided state space modeling offers an effective and scalable alternative to Transformer-based approaches for medical time series analysis.
- Abstract（参考訳）: 心電図(ECG)や脳波(EEG)などの医療時系列は、複雑な時間的ダイナミックスと構造的チャネル依存性を示し、自動解析の根本的な課題を提起している。
従来の畳み込みモデルとリカレントモデルは長距離依存を捉えるのに苦労するが、トランスフォーマーベースのアプローチは二次的な複雑さを伴い、しばしば生理的信号の内在的構造と不一致な冗長な相互作用をもたらす。
これらの制約に対処するために,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。
我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
これらの原理は、チャネル再パラメータ化のための軽量なチャネル混合モジュール、時間分解のためのマルチスケール畳み込みトークン化、線形複雑性を伴う効率的なグローバルコンテキストモデリングのための双方向マンバブロックによってインスタンス化される。
EEG、ECG、ヒューマンアクティビティの信号にまたがる6つのベンチマークデータセットに対する大規模な実験は、MedMambaが様々なモダリティにわたって最先端の手法を一貫して上回っていることを示している。
特に、PTBで85.97%の精度を達成し、挑戦的なADFTDデータセット(54.72%の精度と52.01%のF1スコア)で新しい最先端のパフォーマンスを確立する。
SleepEDFのようなロングシーケンスベンチマークの強い結果は、長距離依存関係をモデル化する能力をさらに検証している。
さらに、MedMambaは推論の4.6倍のスピードアップを達成した。
これらの結果は, 医療時系列解析におけるTransformerベースのアプローチに代わる, 原理誘導型状態空間モデリングが有効かつスケーラブルな代替手段となることを示唆している。
関連論文リスト
- PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients [8.689565360500653]
ストローク患者のクロスオブジェクト脳波(EEG)復号は運動回復に不可欠である。
既存の手法は、病理的なスロー波活動と不安定なターゲットドメインの擬似ラベルによって容易に誤解される。
そこで我々は,脳卒中復号のための生理誘導型ターゲットリファインメントを用いた病的時間校正フレームワークPA-TCNetを提案する。
論文 参考訳（メタデータ） (2026-04-17T07:55:30Z) - AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。
提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。
さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
論文 参考訳（メタデータ） (2026-03-19T03:47:21Z) - Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis [4.753690672619091]
本稿では,fMRI時系列における生BOLD信号のエンドツーエンド解析のための選択的状態空間アーキテクチャであるNeuroSSMを提案する。
NeuroSSMは2つの相補的な設計コンポーネントを通じて上記の制限に対処する。
臨床および非臨床データセットの実験は、NeuroSSMが最先端のfMRI分析法と競合する性能と効率を達成することを示した。
論文 参考訳（メタデータ） (2026-01-03T16:35:45Z) - ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling [0.6875312133832079]
ECG-RAMBAは、形態学とリズムを分離し、文脈認識融合を通じてそれらを再統合するフレームワークである。
PTB-XLで一貫したクロスデータセット性能を示す。
論文 参考訳（メタデータ） (2025-12-29T10:14:52Z) - SAMBA: Toward a Long-Context EEG Foundation Model via Spatial Embedding and Differential Mamba [2.1232375739287006]
脳波(EEG)モデリングは、一般化可能な脳波表現モデルの開発に不可欠である。
我々は,マンバをベースとしたU字型エンコーダデコーダアーキテクチャを用いた自己教師型学習フレームワークであるtextitSAMBAを提案する。
SAMBAは、メモリ消費と推論時間を維持しながら、最先端の手法を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2025-11-23T18:31:18Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。